关于多输出神经网络用于层级标签分类的研究及架构名称问询

嘿，你的这个思路不仅有对应的研究积累，还有专门的术语可以归类哦！

1. 对应的术语名称 #

你的架构思路属于**层级分类（Hierarchical Classification）结合中间监督分支（Intermediate Supervision Branches）**的范畴，也常被具体称为：

• Multi-branch Hierarchical CNN（多分支层级卷积神经网络）
• Hierarchical Classification with Auxiliary Outputs（带辅助输出的层级分类）

需要注意的是，它和“Early Exit Networks”（早期退出网络）有相似性，但核心目标不同：早期退出主要是为了推理时加速（简单任务提前输出结果），而你的思路核心是利用层级标签的结构，通过高层分支的监督引导模型学习更具层次的特征，进而提升细分类的性能——不过现在也有研究把两者结合，兼顾层级分类的效率与效果。

2. 相关研究现状 #

这类思路在图像分类（尤其是细粒度分类）领域已经有不少探索：

• 早期的工作就尝试在CNN的不同中间层添加对应高层类别的输出头，用层级标签的监督信号辅助训练，让模型先学习通用的高层特征（比如“哺乳动物”），再逐步细化到子类（比如“波斯猫”），这种方式能有效缓解细分类任务中样本不足、特征区分度低的问题。
• 部分研究还将层级分支的输出作为软标签，结合知识蒸馏的思路，让后期的细分类分支学习早期高层分支的先验知识，增强层级特征的一致性。
• 在一些大规模层级分类任务（比如ImageNet的层级标签体系）中，这类多分支架构被用来降低模型训练的难度，同时提升分类的可解释性（能看到模型在不同阶段的分类决策）。

3. 开放研究方向 #

虽然已有不少研究，但这个方向仍有很多值得深挖的点：

• 自动分支位置选择：目前大多是手动指定中间层添加分支，如何根据任务的层级结构自动确定最优的分支插入位置，是一个开放问题。
• 分支间信息交互机制：如何设计更高效的特征传递方式，让高层分支的特征更好地辅助低层细分类分支的学习，而不是简单的独立训练。
• 不平衡层级标签优化：针对高层类别样本多、子类样本少的不平衡场景，如何设计多分支的损失函数，避免模型偏向样本多的高层类别。
• 跨模态扩展：将这种多分支层级思路从图像扩展到文本、语音等其他模态的层级分类任务，探索不同模态下的适配方案。

内容的提问来源于stack exchange，提问作者Asciiom